O QUE É O PACOTE LEAFLET?

DEFINIÇÃO

O Leaflet é uma biblioteca JavaScript (JS) conhecida pela criação de excelentes mapas interativos. O pacote “leaflet” do R recebe o mesmo da biblioteca em JavaScript e é um facilitador da interação entre o R e as funções escritas em JS.

PRINCIPAIS FUNCIONALIDADES

• Mapas: variedade de caratografia (providerTiles)
• Pontos/Marcadores
• Polígonos
• Linhas

PRINCIPAIS VANTAGENS

• Construção de mapas por camadas
• Fácil interação com data frames
• Pipe-friendly: código pode ser vinculado pelo pipe (%>%)
• Gera arquivos em HTML (podem ser consumidos)
• Pode ser integrado com RMarkdown, Shiny, Flexdashboard

CONSTRUINDO UM MAPA COM O LEAFLET —- MAPA BÁSICO I

leaflet() %>% 
  addTiles() %>%
  addMarkers(lng = 174.768,
             lat = -36.852,
             popup = "Local de Nascimento do R")

CONHECIMENTOS ADQUIRIDOS

addTiles()

• Função para escolher o mapa básico do pacote Leaflet (mapa padrão).

addMarkers()

• Função para adicionar ao mapa um ponto no formato padrão do Leaflet.

CONSTRUINDO UM MAPA COM O LEAFLET —- MAPA BÁSICO II

leaflet() %>% 
  addProviderTiles("CartoDB") %>%
  addMarkers(lng = 174.768, lat = -36.852, popup = "Local de Nascimento do R") %>% 
  addCircleMarkers(lng = 174.778, lat = -36.854,
                   radius = 10,
                   color = "red",
                   label = "Próximo ao local de Nascimento do R")

CONHECIMENTOS ADQUIRIDOS

addProviderTiles()

• Função para escolher o mapa de algum provedor disponível na internet:

1. “CartoDB”: leve
2. “OpenStreetMap”: pesado - google maps
3. “CartoDB.Positron”
4. “Stamen.Terrain”

addCircleMarkers()

• Função para adicionar ao mapa marcadores em formato de círculo.

Label vs. Popup

• Percebe-se que há uma diferença entre o label e o popup: enquanto o popup apresenta o nome escolhido para o ponto quando é clicado, o label o apresenta simplesmente ao passar o mouse sobre o ponto no mapa.

CONSTRUINDO UM MAPA COM O LEAFLET —- MAPA BÁSICO + FUNCIONALIDADES

leaflet(options = leafletOptions(minZoom = 10, dragging = TRUE)) %>% 
  addTiles() %>%
  addMarkers(lng = 174.768, lat = -36.852, popup = "Local de Nascimento do R") %>% 
  setView(lng = 174.8,
          lat = -36.9,
          zoom = 10)

CONHECIMENTOS ADQUIRIDOS

Zoom permitido ao usuário

• É possível determinar qual o máx/min que o usuário poderá dar zoom e se poderá arrastar ou não no mapa.
• options = leafletOptions(minZoom = zoom mínimo que permitiremos, dragging = se poderá mover para os lados ou não).

setView()

• Função que permite escolher qual será o zoom que o usuário visualizará o mapa ao abrir o arquivo.

USANDO DATAFRAMES + PIPE COM O LEAFLET

#### Referenciando as colunas sem passar a data frame através do pipe:
leaflet() %>% 
  addTiles() %>%
  addCircleMarkers(lng = tabela_100_escolas_mirow$ESCOLA_GEO_LONGITUDE,
                   lat = tabela_100_escolas_mirow$ESCOLA_GEO_LATITUDE)

#### Referenciando as colunas passando a data frame através do pipe:
tabela_100_escolas_mirow %>% 
  leaflet() %>% 
  addTiles() %>%
  addCircleMarkers(lng = ~ESCOLA_GEO_LONGITUDE,
                   lat = ~ESCOLA_GEO_LATITUDE)

CONHECIMENTOS ADQUIRIDOS

1. É possível utilizar as colunas de uma dataframe como as fontes de latitude e longitude dos pontos a serem plotados no mapa.
2. Para tanto, não é necessário que nenhuma das escolas possua um nome específico, mas somente sejam indicadas através de alguma das duas formas indicadas ao lado e explicadas abaixo:

• Forma 1: é possível indicar as colunas através do subsetting normal ( $ ) de colunas.
• Forma 2: é possível indicar as colunas através do acento til ( ~ ) somente se a dataFrame já estiver sido “passada” previamente pelo pipe ( %>% ).

3. No entanto, caso uma coluna não seja indicada expressamente dentro do código o próprio pacote tentará descobrir quais as colunas contém os dados de longitude e latitude e, somente neste caso, o nome da coluna poderá servir de ajuda.

Quando usar cada forma?

• Quando se está construindo um mapa que irá receber pontos oriundos de uma mesma dataFrame é melhor referenciar a dataFrame logo no início do código e depois utilizar o til para indicar as colunas.
• Quando o mapa a ser construído irá conter muitas camadas, oriundas de diferentes dataFrames, então a única forma de construí-lo é indicando cada coluna através do subsetting formal ( $ ), pois mais de uma dataFrame será utilizada.

CONSTRUINDO UM MAPA DE PONTOS —- BUSCADOR + LABEL’S

tabela_100_escolas_mirow %>% 
  leaflet() %>% 
  addTiles() %>%
  addCircleMarkers(lng = ~ESCOLA_GEO_LONGITUDE,
                   lat = ~ESCOLA_GEO_LATITUDE,
                   group = "escolas",
                   label = ~ESCOLA_CD_CENSO) %>%
  addSearchOSM()

O QUE FOI FEITO?

• Adicionamos uma ferramenta de buscador no mapa (existe também a possibilidade de inserir uma ferramenta de buscador para os dados inseridos - ler e testar documentação).

CONHECIMENTOS ADQUIRIDOS

Ferramenta Buscador

• É possível permitir que usuário busque locais já georreferenciados pela biblioteca do Leaflet

Labels

• É possível configurar os nomes do pontos de acordo com a necessidade do usuário. Além disso, conhecimentos básicos de HTML são de grande ajuda, uma vez que é possível estilizar as labels com algumas tags de HTML (ex: negrito, itálico, quebra de texto, sublinhado, cor).

CONSTRUINDO UM MAPA DE PONTOS —- GRUPOS DE PONTOS (CÓDIGO)

leaflet() %>% 
  addTiles() %>%
  addCircleMarkers(lng = tabela_100_escolas_mirow$ESCOLA_GEO_LONGITUDE,
                   lat = tabela_100_escolas_mirow$ESCOLA_GEO_LATITUDE,
                   group = "mirow",
                   color = "red",
                   label = paste0("Mirow - ", tabela_100_escolas_mirow$ESCOLA_CD_CENSO)) %>% 
  addCircleMarkers(lng = tabela_100_escolas_censo$NU_LONGITUDE,
                   lat = tabela_100_escolas_censo$NU_LATITUDE,
                   group = "censo",
                   color = "blue",
                   label = paste0("Censo - ", tabela_100_escolas_censo$CO_ENTIDADE)) %>% 
  addLayersControl(overlayGroups = c("mirow", "censo"))

O QUE FOI FEITO?

• Adicionamos a possibilidade do usuário navegar entre as diferentes camadas plotadas no mapa - podendo também escolher a sobreposição delas.

CONHECIMENTOS ADQUIRIDOS

addLayersControl()

• Os layers de control são de diversos tipos, os que foram utilizados permite a navegação entre as diferentes camadas plotadas no mapa.
• Essa possibilidade é bem interessante para permitir que o mapa fique mais leve de se utilizar e também reduza a poluição visual pela quantidade de pontos - basta que o usuário selecione as camadas que deseja.

CONSTRUINDO UM MAPA DE PONTOS —- GRUPOS DE PONTOS (MAPA)

CONSTRUINDO UM MAPA DE PONTOS —- CLUSTERIZAÇÃO NUMÉRICA

tabela_escolas_mirow %>% 
  leaflet() %>% 
  addTiles() %>%
  addCircleMarkers(lng = ~ESCOLA_GEO_LONGITUDE, lat = ~ESCOLA_GEO_LATITUDE,
                   group = "mirow", color = "red", label = paste0("Mirow - ", ~ESCOLA_CD_CENSO),
                   clusterOptions = markerClusterOptions())

O QUE FOI FEITO?

• Adicionamos uma clusterização numérica que permite identificar no mapa - pela cor e pelos números - onde estão concetrandos a maior parte dos pontos.
• Além de permitir a fácil visualização de concentração, esse valor vai sendo ajustado ao zoom utilizado, bem como polígonos naturais se formam com o zoom.
• É uma excelente maneira de tornar o mapa mais leve dentro do arquivo.

CONHECIMENTOS ADQUIRIDOS

clusterOptions = markerClusterOptions()

• Insere a clusterização numérica dos pontos.

CONSTRUINDO UM MAPA COM POLÍGONOS —- MAPA BÁSICO (CÓDIGO)

tabela_escolas_mirow %>% 
  leaflet() %>% 
  addTiles() %>%
  addCircleMarkers(lng = ~ESCOLA_GEO_LONGITUDE, lat = ~ESCOLA_GEO_LATITUDE,
                   group = "mirow",
                   color = "red",
                   label = paste0("Mirow - ", ~ESCOLA_CD_CENSO),
                   clusterOptions = markerClusterOptions()) %>% 
  addPolygons(data = shape_regionais,
                weight = 2,
                opacity = 0.2,
                color = "orange",
                dashArray = "3",
                fillOpacity = 0.2,
                highlight = highlightOptions(
                   weight = 5,
                   color = "#666",
                   dashArray = "",
                   fillOpacity = 0.7,
                   bringToFront = TRUE))

O QUE FOI FEITO?

• Adicionamos um polígono contendo os contornos de todas as regionais. Pelo código é possível perceber que - a imitação do ggplot - o mapa aceita muitas configurações. É possível estilizá-lo como cada um deseja, desde que se conheça bem a documentação do biblioteca.

CONHECIMENTOS ADQUIRIDOS

addPolygons()

• Insere a os contornos das regionais a partir da dataFrame (arquivo .shp). Observa-se que, para os contornos, nem sempre é necessário indicar a coluna que contenha os dados, uma vez que o arquivo .shp é um tipo especial de dataFrame e o R já o reconhece assim.

CONSTRUINDO UM MAPA COM POLÍGONOS —- MAPA BÁSICO (MAPA)

TRABALHANDO OS DADOS PARA PLOTAGEM

### Seleção de uma escola para plotagem
escola_selecionada <- 31000281

### Todos os pontos de destino - localização dos alunos
dest_df <- tabela_alunos_mirow %>%
  filter(ESCOLA_CD_CENSO == escola_selecionada) %>% select(ALUNO_GEO_LONGITUDE, ALUNO_GEO_LATITUDE) %>% 
  setNames(c("ESCOLA_GEO_LONGITUDE", "ESCOLA_GEO_LATITUDE"))

### Latitude isolada da Escola:
orig_lat <- tabela_escolas_mirow %>%
  filter(ESCOLA_CD_CENSO == escola_selecionada) %>% pull(ESCOLA_GEO_LATITUDE) %>% as.numeric()

### Longitude isolada da Escola:
orig_long <- tabela_escolas_mirow %>%
  filter(ESCOLA_CD_CENSO == escola_selecionada) %>% pull(ESCOLA_GEO_LONGITUDE) %>% as.numeric()

#### Fazer com que as coordenadas da Escolas sejam X vezes a quantidade de alunos:
orig_df <- data.frame(ESCOLA_GEO_LATITUDE = c(rep.int(orig_lat, nrow(dest_df))),
                   ESCOLA_GEO_LONGITUDE = c(rep.int(orig_long,nrow(dest_df)))) %>% as_tibble()

O QUE FOI FEITO?

• Para o tratamento do conjunto de dados é necessário isolar a latitude e longitude da escola (origem) e então criar uma data frame que repita esse dado uma quantidade de vezes equivalente a quantidade de alunos que vamos plotar.

TRABALHANDO OS DADOS PARA PLOTAGEM - CONTINUAÇÃO

### Criar uma sequência intercalada de: escola-aluno, escola-aluno, ...
orig_df$sequence <- c(sequence = seq(1, length.out = nrow(orig_df), by=2))
dest_df$sequence <- c(sequence = seq(2, length.out = nrow(orig_df), by=2))

### Juntar a dataFrame final ordenada pela sequência criada.
tabela_linhas <- orig_df %>% 
  select(ESCOLA_GEO_LATITUDE, ESCOLA_GEO_LONGITUDE, sequence) %>% 
  bind_rows(dest_df) %>% arrange(sequence)

O QUE FOI FEITO?

• Após isso, criamos uma coluna que sequencia os dados para intercalar uma coordenada da escola com uma coordenada de um aluno e assim até que para todos os alunos tenhamos uma linha com as coordenadas da escola.

PLOTAGEM DAS LINHAS

CONHECIMENTOS ADQUIRIDOS

addPolylines()

• Insere linhas entre duas coordenadas.